Альянс в сфере искусственного интеллекта опубликовал прогноз о развитии искусственного интеллекта в перспективе десяти лет. Авторы выделили десять тематических направлений, которые образуют взаимосвязанную траекторию развития ИИ.

Работа основана на 21 форсайт-сессии, которые проводились в 2025 году в России и десяти других странах. В них приняли участие больше 270 исследователей в области ИИ из 36 государств. Кроме того, в рамках исследования проведено 32 глубинных интервью с экспертами в сфере искусственного интеллекта и использовались данные из открытых источников.

Ключевые выводы:

• по направлению «Архитектуры, алгоритмы машинного обучения, оптимизация и математика» основными вызовами названы ограниченная обобщаемость и адаптивность моделей, интерпретируемость. Среди перспективных задач — разработка универсальных и адаптивных ИИ-моделей с повышенной обобщаемостью и интеграция научных знаний и моделей мира в ИИ-системы;
• по направлению «Вычисления для ИИ» к вызовам причисляются отсутствие решения проблем энергопотребления и устойчивости за счет перехода к новым типам вычислительных архитектур, отсутствие унифицированных фреймворков, слабость интеграции и совместной оптимизации аппаратного и программного обеспечения. Перспективными задачами называются создание фреймворков ML для существующих вычислительных архитектур, для обучения и инференса, а также разработка небольших устройств, способных поддерживать большие модели и агентов для интеллектуального принятия решений в сложных средах;
• по направлению «Данные для ИИ» аналитики считают вызовами надежность и репрезентативность данных, потребность в качественных синтетических данных, обеспечение конфиденциальности и безопасности. Перспективные задачи — управление данными и оценка их качества, а также конфиденциальность данных в технологиях федеративного обучения;
• по направлению «Фундаментальные генеративные модели», по мнению исследователей, вызовами являются галлюцинации, вычислительные затраты и эффективность. Среди перспективных задач — создание вычислительно эффективных архитектур, исследование и разработка методов создания генеративных моделей, а также разработка методов Fine-Tuning. Важнейшим трендом развития направления считается мультимодальность. Прорывом станет создание моделей, понимающих физику и геометрию мира;
• по направлению «Безопасность, доверие и объяснимость» вызовами стали отсутствие строгой формальной теории машинного обучения, выравнивание целей (Alignment), объяснимость и прозрачность решений, безопасная разработка и эксплуатация (MLSecOps). Исследователи считают перспективными задачами разработку методов снижения рисков, связанных с неверными или вредоносными данными, и формулировку общих подходов для обеспечения объяснимости и повышения доверия работы ИИ. Направление считается определяющим для массового внедрения ИИ;
• по направлению «ИИ для узких задач (Narrow AI)» исследователи выделяют вызовы ограниченности и синтетичности данных, создание эффективных пространственных представлений для решения задач компьютерного зрения (CV), преодоление разрыва между симуляцией и реальным миром при решении узких задач в робототехнике и автономном транспорте. Перспективные задачи — развитие методов CV для симуляции сценариев реального мира, в том числе воплощенного ИИ, а также создание фундаментальных моделей для различных задач CV. Исследователи выделяют два возможных пути развития узкого ИИ: унификация, полагающаяся на базовые языковые модели и сравнительно небольшое дообучение, или специализация с развитием доменно-специфичных моделей;
• по направлению «Управление, принятие решений и агентные/мультиагентные системы» вызовами называются масштабируемость и сложность в мультиагентных системах, безопасность, надежность и доверие при работе ИИ-агентов, а также разрыв между симуляцией и реальностью для воплощенных агентов (Embodied Agents). Среди задач — создание универсальных мультимодальных моделей, а также эффективных методов получения знаний агентами посредством взаимодействия с окружающей средой. Агенты могут стать новой эволюционной формой традиционного ИИ для классов задач, считают авторы работы;
• по направлению «Элементы AGI» вызовами считаются надежность рассуждений и снижение галлюцинаций, насыщение данными и непрерывное обучение, а также вычислительная эффективность и масштабируемость. Среди задач выделены повышение обобщаемости и адаптивности ИИ-моделей через непрерывное обучение и надежность рассуждений. Устойчивое развитие направления среди прочего обусловлено усиливающимися общественными и регуляторными запросами на этически ответственный и надежный ИИ;
• по направлению «Взаимодействие человека и машины» важнейшим вызовом названа разработка моделей, понимающих социальный контекст, роли и иерархии. Ключевыми задачами считаются исследования и разработка двунаправленных интерфейсов «мозг — компьютер», расшифровка «кода мозга» и создание фундаментальных моделей данных функционального картирования мозга;
• по направлению «Общество в эпоху ИИ» выделяются такие вызовы, как выработка системы управления ИИ и преодоление цифрового разрыва в этой сфере, потеря рабочих мест и трансформация занятости, культурный плюрализм и идентичность. Среди задач указываются формирование подходов к глобальной системе управления ИИ, национальных систем регулирования ИИ, а также исследование эффектов влияния искусственного интеллекта на общество.

Расскажите знакомым: